MapReduce 中的排序
MapTask 和 ReduceTask 都会对数据按key进行排序。该操作是 Hadoop 的默认行为，任何应用程序不管需不需要都会被排序。默认排序是字典顺序排序，排序方法是快速排序
下面介绍排序过程：
MapTask
- 它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘
- 溢写完毕后，他会对磁盘所有文件进行归并排序
ReduceTask
- 当所有数据拷贝完后，会统一对内存和磁盘的所有数据进行一次归并排序。
排序方式
- 部分排序
MapReduce 根据输入记录的键值对数据集排序，保证输出的每个文件内部有序
- 全排序
最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个 ReduceTask，但是该方法在处理大型文件时效率极低。因为这样只有一台机器处理所有的文件，完全丧失了 MapReduce 所提供的并行架构
- 辅助排序（分组排序）
在 Reduce 端对 key 进行分组。应用于：在接受的 key 为 bean 对象时，想让一个或几个字段相同的 key 进入到同一个 reduce 方法时，可以采用分组排序。
- 二次排序
在自定义排序过程中，如果 compareTo 中的判断条件为两个即为二次排序。
排序接口 WritebleComparable
我们知道 MapReduce 过程是会对 key 进行排序的。那么如果我们将 Bean 对象作为 key 时，就需要实现 WritableComparable 接口并重写 compareTo 方法指定排序规则。
@Setter @Getter public class CustomSort implements WritableComparable<CustomSort> { private Long orderId; private String orderCode; @Override public int compareTo(CustomSort o) { return orderId.compareTo(o.orderId); } @Override public void write(DataOutput dataOutput) throws IOException { dataOutput.writeLong(orderId); dataOutput.writeUTF(orderCode); } @Override public void readFields(DataInput dataInput) throws IOException { this.orderId = dataInput.readLong(); this.orderCode = dataInput.readUTF(); } } 分组排序 GroupingComparator
GroupingComparator 是 Mapreduce 中 reduce 端的一个功能组件，主要的作用是决定哪些数据为一组，调用一次 reduce 逻辑。默认是每个不同的 key，作为不同的组。我们可以自定义 GroupingComparator 实现不同的 key 作为一个组，调用一次 reduce 逻辑。
案例实战：求出每一个订单中成交金额最大的一笔交易。下面的数据只给出了订单行的 id 和金额。订单行 id 中_前相等的算同一个订单
| 订单行 id | 商品金额 |
|---|---|
| order1_1 | 345 |
| order1_2 | 4325 |
| order1_3 | 44 |
| order2_1 | 33 |
| order2_2 | 11 |
| order2_3 | 55 |
实现思路
Mapper:
- 读取一行文本数据，切分每个字段
- 把订单行 id 和金额封装为一个 bean 对象，作为 key，排序规则是订单行 id“_”前面的订单 id 来排序，如果订单 id 相等再按金额降序排
- map 输出内容，key：bean 对象，value：NullWritable.get()
Shuffle:
- 自定义分区器，保证相同的订单 id 的数据去同一个分区
Reduce：
- 自定义 GroupingComparator，分组规则指定只要订单 id 相等则属于同一组
- 每个 reduce 方法写出同一组 key 的第一条数据就是最大金额的数据。
参考代码：
public class OrderBean implements WritableComparable<OrderBean> { private String orderLineId; private Double price; @Override public int compareTo(OrderBean o) { String orderId = o.getOrderLineId().split("_")[0]; String orderId2 = orderLineId.split("_")[0]; int compare = orderId.compareTo(orderId2); if(compare==0){ return o.price.compareTo(price); } return compare; } @Override public void write(DataOutput dataOutput) throws IOException { dataOutput.writeUTF(orderLineId); dataOutput.writeDouble(price); } @Override public void readFields(DataInput dataInput) throws IOException { this.orderLineId = dataInput.readUTF(); this.price = dataInput.readDouble(); } } public class OrderMapper extends Mapper<LongWritable, Text,OrderBean, NullWritable> { @Override protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, OrderBean, NullWritable>.Context context) throws IOException, InterruptedException { String[] split = value.toString().split(" "); OrderBean orderBean=new OrderBean(); orderBean.setOrderLineId(split[0]); orderBean.setPrice(Double.parseDouble(split[1])); context.write(orderBean,NullWritable.get()); } } 自定义分区：
public class OrderPartitioner extends Partitioner<OrderBean, NullWritable> { @Override public int getPartition(OrderBean orderBean, NullWritable nullWritable, int i) { //相同订单id的发到同一个reduce中去 String orderId = orderBean.getOrderLineId().split("_")[0]; return (orderId.hashCode() & Integer.MAX_VALUE) % i; } } 组排序：
public class OrderGroupingComparator extends WritableComparator { public OrderGroupingComparator() { super(OrderBean.class,true); } @Override public int compare(WritableComparable a, WritableComparable b) { String aOrderId = ((OrderBean) a).getOrderLineId().split("_")[0]; String bOrderId = ((OrderBean) b).getOrderLineId().split("_")[0]; return aOrderId.compareTo(bOrderId); } } public class OrderReducer extends Reducer<OrderBean, NullWritable,OrderBean,NullWritable> { @Override protected void reduce(OrderBean key, Iterable<NullWritable> values, Reducer<OrderBean, NullWritable, OrderBean, NullWritable>.Context context) throws IOException, InterruptedException { context.write(key,NullWritable.get()); } } driver 类：
public class OrderDriver { public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException { // System.setProperty("java.library.path","d://"); Configuration conf = new Configuration(); Job job=Job.getInstance(conf,"OrderDriver"); //指定本程序的jar包所在的路径 job.setJarByClass(OrderDriver.class); //指定本业务job要使用的mapper/Reducer业务类 job.setMapperClass(OrderMapper.class); job.setReducerClass(OrderReducer.class); //指定mapper输出数据的kv类型 job.setMapOutputKeyClass(OrderBean.class); job.setMapOutputValueClass(NullWritable.class); //指定reduce输出数据的kv类型 job.setOutputKeyClass(OrderBean.class); job.setOutputValueClass(NullWritable.class); //指定job的输入文件目录和输出目录 FileInputFormat.setInputPaths(job,new Path(args[0])); FileOutputFormat.setOutputPath(job,new Path(args[1])); job.setPartitionerClass(OrderPartitioner.class); job.setGroupingComparatorClass(OrderGroupingComparator.class); // job.setNumReduceTasks(2); boolean result = job.waitForCompletion(true); System.exit( result ? 0: 1); } } MapReduce 读取和输出数据
InputFormat
运行 MapReduce 程序时，输入的文件格式包括：基于行的日志文件、二进制格式文件、数据库表等。那么，针对不同的数据类型，MapReduce 是如何读取这些数据的呢？
InputFormat 是 MapReduce 框架用来读取数据的类。InputFormat 常用子类：
- TextInputFormat（普通文本文件，MR 框架默认的读取实现类）
- KeyValueTextInputFormat（读取一行文本数据按照指定分隔符，把数据封装为 kv 类型）
- NLineInputFormat（读取数据按照行数进行划分分片）
- CombineTextInputFormat（合并小文件，避免启动过多 MapTask 任务）
- 自定义 InputFormat
1. CombineTextInputFormat 案例
MR 框架默认的 TextInputFormat 切片机制按文件划分切片，文件无论多小，都是单独一个切片，然后由一个 MapTask 处理，如果有大量小文件，就对应生成并启动大量的 MapTask，就会浪费很多初始化资源、启动回收等阶段。
CombineTextInputFormat 用于小文件过多的场景，它可以将多个小文件从逻辑上划分成一个切片，这样多个小文件可以交给一个 MapTask 处理，提高资源利用率。
使用方式：
// 如果不设置InputFormat，它默认用的是TextInputFormat.class job.setInputFormatClass(CombineTextInputFormat.class); //虚拟存储切片最大值设置4m CombineTextInputFormat.setMaxInputSplitSize(job, 4194304); - CombineTextInputFormat 切片原理
假设设置 setMaxInputSplitSize 值为 4M，有四个小文件：1.txt -->2M ;2.txt-->7M;3.txt-->0.3M;4.txt--->8.2M
虚拟存储过程：
把输入目录下所有文件大小，依次和设置的 setMaxInputSplitSize 值进行比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值 2 倍，此时将文件均分成 2 个虚拟存储块（防止出现太小切片）。比如如 setMaxInputSplitSize 值为 4M，输入文件大小为 8.02M，则先逻辑上分出一个 4M 的块。剩余的大小为 4.02M，如果按照 4M 逻辑划分，就会出现 0.02M 的非常小的虚拟存储文件，所以将剩余的 4.02M 文件切分成（2.01M 和 2.01M）两个文件。
-
2M,一个块
-
7M，大于 4 但是不大于 4 的 2 倍，则分为两块，一块 3.5M
切片过程：
-
判断虚拟存储的文件大小是否大于 setMaxInputSplitSize 值，大于等于则单独形成一个切片
-
如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。
-
按照之前输入文件：那 4 个文件经过虚拟存储过程后，有 7 个文件块：2M、3.5M、3.5M、0.3M、4M、2.1M、2.1M
-
合并之后最终形成 3 个切片：（2+3.5）M、（3.5+0.3+4）M、（2.1+2.1）M
2. 自定义 InputFormat
无论 HDFS 还是 MapReduce，在处理小文件时效率都非常低，但又难免面临处理大量小文件的场景，此时，就需要有相应解决方案。可以自定义 InputFormat 实现小文件的合并。
案例实战
需求：
将多个小文件合并成一个 SequenceFile 文件（SequenceFile 文件是 Hadoop 用来存储二进制形式的 key-value 对的文件格式），SequenceFile 里面存储着多个文件，存储的形式为文件路径+名称为 key，文件内容为 value。
实现思路：
- 定义一个类继承 FileInputFormat
- 重写 isSplitable()指定为不可切分，重写 createRecordReader（）方法，创建自己的 RecorderReader 对象
- 改变默认读取数据方式，实现一次读取一个完整文件作为 kv 输出
- Driver 指定使用自定义 InputFormat
代码参考：
public class CustomFileInputFormat extends FileInputFormat<Text, BytesWritable> { @Override protected boolean isSplitable(JobContext context, Path filename) { return false; } @Override public RecordReader<Text, BytesWritable> createRecordReader(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException { CustomRecordReader reader = new CustomRecordReader(); reader.initialize(inputSplit, taskAttemptContext); return reader; } } public class CustomRecordReader extends RecordReader <Text, BytesWritable> { private Configuration conf; private FileSplit split; private boolean isProgress=true; private BytesWritable value = new BytesWritable(); private Text key = new Text(); @Override public void initialize(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException { this.split = (FileSplit) inputSplit; this.conf = taskAttemptContext.getConfiguration(); } @Override public boolean nextKeyValue() throws IOException, InterruptedException { if(isProgress){ FSDataInputStream fis = null; try { //定义缓存区 byte[] contents = new byte[(int) split.getLength()]; //获取文件系统 Path path = split.getPath(); FileSystem fs = path.getFileSystem(conf); //读取数据 fis = fs.open(path); //读取文件内容到缓存区 IOUtils.readFully(fis,contents,0,contents.length); //输出文件内容 value.set(contents,0,contents.length); //获取文件路径 String name = split.getPath().toString(); key.set(name); } finally { IOUtils.closeStream(fis); } isProgress = false; return true; } return false; } @Override public Text getCurrentKey() throws IOException, InterruptedException { return key; } @Override public BytesWritable getCurrentValue() throws IOException, InterruptedException { return value; } @Override public float getProgress() throws IOException, InterruptedException { return 0; } @Override public void close() throws IOException { } } 在 driver 里设置 inputFormatclass
job.setInputFormatClass(CustomFileInputFormat.class); OutputFormat
OutputFormat：是 MapReduce 输出数据的基类，所有 MapReduce 的数据输出都实现了 OutputFormat 抽象类。下面介绍几种常见的 OutputFormat 子类
- TextOutputFormat
默认的输出格式是 TextOutputFormat，它把每条记录写为文本行。
- SequenceFileOutputFormat
将 SequenceFileOutputFormat 输出作为后续 MapReduce 任务的输入，这是一种好的输出格式，因为它的格式紧凑，很容易被压缩。
自定义 OutputFormat
案例实战
需求：
需要一个 MapReduce 程序根据奇偶数把结果输出到不同目录。
1 2 3 4 5 6 7 8 9 10 实现思路：
- 自定义一个类继承 FileOutPutFormat
- 改写 RecordWriter，重写 write 方法
代码参考：
public class CustomOutputFormat extends FileOutputFormat<Text, NullWritable> { @Override public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext context) throws IOException, InterruptedException { FileSystem fs = FileSystem.get(context.getConfiguration()); FSDataOutputStream oddOut = fs.create(new Path("e:/odd.log")); FSDataOutputStream eventOut = fs.create(new Path("e:/event.log")); return new CustomWriter(oddOut, eventOut); } } public class CustomWriter extends RecordWriter<Text, NullWritable> { private FSDataOutputStream oddOut; private FSDataOutputStream evenOut; public CustomWriter(FSDataOutputStream oddOut, FSDataOutputStream evenOut) { this.oddOut = oddOut; this.evenOut = evenOut; } @Override public void write(Text text, NullWritable nullWritable) throws IOException, InterruptedException { Integer number = Integer.valueOf(text.toString()); System.out.println(text.toString()); if(number%2==0){ evenOut.write(text.toString().getBytes()); evenOut.write("rn".getBytes()); }else { oddOut.write(text.toString().getBytes()); oddOut.write("rn".getBytes()); } } @Override public void close(TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException { IOUtils.closeStream(oddOut); IOUtils.closeStream(evenOut); } } 设置 outputFormat 类
job.setOutputFormatClass(CustomOutputFormat.class); Shuffle 阶段数据的压缩机制
Hadoop 中支持的压缩算法
据压缩有两大好处，节约磁盘空间，加速数据在网络和磁盘上的传输！！
我们可以使用 bin/hadoop checknative 来查看我们编译之后的 hadoop 支持的各种压缩，如果出现 openssl 为 false，那么就在线安装一下依赖包！！
| 压缩格式 | hadoop 自带 | 算法 | 文件扩展名 | 是否可切分 | 换压缩格式后，原来的程序是否需要修改 |
|---|---|---|---|---|---|
| DEFLATE | 是 | DEFLATE | .deflate | 否 | 不需要 |
| Gzip | 是 | DEFLATE | .gz | 否 | 不需要 |
| bzip2 | 是 | bzip2 | .bz2 | 是 | 不需要 |
| LZO | 否 | LZO | .lzo | 是 | 需要建索引，还需要指定输入格式 |
| Snappy | 否 | Snappy | .snappy | 否 | 不需要 |
压缩效率对比：
压缩位置
- Map 输入端压缩
此处使用压缩文件作为 Map 的输入数据，无需显示指定编解码方式，Hadoop 会自动检查文件扩展名，如果压缩方式能够匹配，Hadoop 就会选择合适的编解码方式进行压缩和解压。
- Map 端输出压缩
Shuffle 是 MR 过程中资源消耗最多的阶段，如果有数据量过大造成网络传输速度缓慢，可以考虑使用压缩
- Reduce 端输出压缩
输出的结果数据使用压缩能够减少存储的数据量，降低所需磁盘的空间，并且作为第二个 MR 的输入时可以复用压缩
压缩配置方式
- 在驱动代码中通过 Configuration 设置。
设置map阶段压缩 Configuration configuration = new Configuration(); configuration.set("mapreduce.map.output.compress","true"); configuration.set("mapreduce.map.output.compress.codec","org.apache.hadoop.i o.compress.SnappyCodec"); 设置reduce阶段的压缩 configuration.set("mapreduce.output.fileoutputformat.compress","true"); configuration.set("mapreduce.output.fileoutputformat.compress.type","RECORD" ); configuration.set("mapreduce.output.fileoutputformat.compress.codec","org.ap ache.hadoop.io.compress.SnappyCodec"); - 配置 mapred-site.xml，这种方式是全局的，对所有 mr 任务生效
<property> <name>mapreduce.output.fileoutputformat.compress</name> <value>true</value> </property> <property> <name>mapreduce.output.fileoutputformat.compress.type</name> <value>RECORD</value> </property> <property> <name>mapreduce.output.fileoutputformat.compress.codec</name> <value>org.apache.hadoop.io.compress.SnappyCodec</value> </property> 压缩实战
在驱动代码中添加即可
configuration.set("mapreduce.output.fileoutputformat.compress","true"); configuration.set("mapreduce.output.fileoutputformat.compress.type","RECORD"); configuration.set("mapreduce.output.fileoutputformat.compress.codec","org.apache .hadoop.io.compress.SnappyCodec"); 
